Với khả năng cảm nhận vật lý, các mô hình AI mô phỏng được nhiều kịch bản thực tế hơn.

Các mô hình trí tuệ nhân tạo (AI) có khả năng thực hiện nhiều tác vụ, bao gồm viết văn bản, tạo hình ảnh và thiết kế mô hình 3D. Tuy nhiên, chúng không hữu ích bằng khi thử nghiệm robot hoặc thiết kế phương tiện trong các môi trường đa dạng, bởi vì chúng không hiểu vật lý tốt như cách chúng xử lý pixel hay văn bản. Để xây dựng một hệ thống AI có thể mô phỏng đáng tin cậy nhiều kịch bản vật lý khác nhau, các kỹ sư cần một lượng lớn dữ liệu vật lý mà hiện tại chưa thể khả thi. Điều này là do việc cung cấp cho mạng nơ-ron chỉ một vài điểm dữ liệu mà chúng có thể hiểu được là rất tốn thời gian. Chúng dựa vào các thuật toán được gọi là "bộ giải số" (numerical solvers) để tính toán các thuộc tính vật lý tại các điểm khác nhau của một hình dạng 3D. Đây là một quy trình kỹ lưỡng, nhưng nó mất quá nhiều thời gian, hạn chế lượng dữ liệu có sẵn để, ví dụ, kiểm tra xem thiết kế máy bay có an toàn và khí động học hay không. Một phương pháp tiền huấn luyện mới có tên gọi “GeoPT”, được phát triển bởi các nhà nghiên cứu tại Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo (CSAIL) của Viện Công nghệ Massachusetts (MIT) và Đại học Thanh Hoa, mang đến cho các mô hình mô phỏng cơ hội học vật lý một cách rộng rãi và hiệu quả hơn. Phương pháp này tái hiện ảo các tương tác cơ học hàng ngày trong không gian 3D, cho thấy cách các hạt dừng lại khi chạm vào một phần của vật thể. Những mô phỏng này giúp các mô hình hiểu được cách vật lý hoạt động, từ đó mô hình hóa thế giới thực chính xác hơn, đạt hiệu suất cao nhất nhanh gấp đôi và huấn luyện với lượng dữ liệu ít hơn tới 60% so với các mô hình hàng đầu. Trong tương lai, dự án này có thể giúp các kỹ sư dự đoán cách các phương tiện (như ô tô và máy bay), các vật dụng hàng ngày (bao gồm ghế và thùng chứa) và robot phản ứng với các yếu tố vật lý khác nhau, chẳng hạn như gió, nước và va chạm. Các nhà nghiên cứu tin rằng công trình của họ cũng có thể là một bước tiến tới một mô hình nền tảng vật lý, một hệ thống cốt lõi được huấn luyện trên nhiều dữ liệu có thể giúp các công cụ AI tổng quát hóa cho các tác vụ khác nhau. “Chúng tôi tin rằng vật lý là phương thức thứ ba cho các mô hình AI, sau văn bản và điểm ảnh,” Minghao Guo, nghiên cứu sinh tiến sĩ MIT và nhà nghiên cứu CSAIL, đồng tác giả chính của bài báo giới thiệu GeoPT, cho biết. “Mô hình đa năng của chúng tôi có tính linh hoạt để giúp xây dựng một mô hình thế giới cho vật lý. Nhiều mô hình, chẳng hạn như những mô hình tạo dữ liệu và video robot, đã thành thạo dữ liệu văn bản và hình ảnh, nhưng với độ chính xác vật lý, chúng sẽ cho ra kết quả thực tế hơn.” **Dễ sử dụng** Để sử dụng GeoPT, người dùng chỉ cần tải lên các mô hình 3D của các vật thể như tàu chiến, máy bay chở khách và xe tải, đồng thời chỉ định hướng và tốc độ của lực mà họ muốn mô phỏng. Kết quả là một loại bản đồ nhiệt cho thấy vật thể sẽ bị ảnh hưởng như thế nào ở các vị trí khác nhau. Nếu biết tốc độ và hướng (vận tốc) của lực muốn mô phỏng, người dùng có thể ghi lại nó trong GeoPT. Điều này rất hữu ích khi muốn mô phỏng những thứ như hình dạng của một chiếc ô tô sau khi đâm vào tường, cách ánh sáng phản xạ quanh các vật thể và liệu một chiếc thuyền có nổi trên sóng dữ hay không. Nhưng làm thế nào GeoPT lại “hiểu” vật lý tốt đến vậy? Kiến thức của nó đến từ “động lực học tổng hợp” (synthetic dynamics), một loạt các tương tác giữa các hạt nhỏ và các hình dạng 3D phức tạp. GeoPT đã nghiên cứu 1,3 triệu mẫu động lực học tổng hợp, trong đó các quả cầu nhỏ di chuyển với nhiều tốc độ và góc độ khác nhau cho đến khi dừng lại tại một điểm nhất định trên vật thể. Các hạt này về cơ bản sẽ “dính” vào một vật thể khi chúng tiếp xúc, thay vì xuyên qua hoặc bật ra. Hãy hình dung việc học về các tương tác vật lý bằng cách sử dụng bi và các mô hình hành động – tương tự như vậy, các mô hình mô phỏng có thể sử dụng động lực học tổng hợp để có được cảm nhận về vật lý trước khi chúng được huấn luyện trên dữ liệu đã gắn nhãn. **Thành công trong công nghiệp** Các nhà nghiên cứu nhận thấy rằng GeoPT đặc biệt giỏi trong việc mô phỏng các kịch bản công nghiệp, vì nó đã vượt trội hơn các mô hình mô phỏng tiên tiến nhất trên các tiêu chuẩn đánh giá. Điểm chung là: Nó đạt hiệu suất cao nhất nhanh hơn các công cụ khác, đồng thời cần ít dữ liệu đã gắn nhãn hơn đáng kể. Ví dụ, trên một tập dữ liệu về các hình dạng 3D phức tạp và phản ứng của chúng với dòng gió cùng áp suất bề mặt, GeoPT đã vượt trội so với các mô hình tiên tiến về tốc độ, độ chính xác và hiệu quả. Mô hình này cũng đạt được những thành công tương tự về tốc độ và độ chính xác trong việc mô phỏng cách máy bay chiến đấu phản ứng với gió. Khi GeoPT thử nghiệm cách thân thuyền xử lý cả không khí và sóng, nó chỉ yêu cầu ít hơn 60% dữ liệu được gắn nhãn để nắm bắt cả hai lực vật lý và đạt độ chính xác cao nhất nhanh gấp bốn lần so với các mô hình cơ sở hàng đầu. Hệ thống này thậm chí còn thành công trong việc mô phỏng hình dạng của các loại ô tô khác nhau sau khi va chạm với một vật thể khác. Nó đã dự đoán chính xác cách các phương tiện 3D sẽ biến dạng trong khi sử dụng ít dữ liệu hơn so với các mô hình cơ sở tiên tiến. Tương tự, các mô phỏng của nó về cách ánh sáng đi qua một vật thể giống như một con thỏ đồ chơi đã chính xác, mặc dù chưa từng được huấn luyện trước đó về mô hình 3D đó hoặc vật lý ánh sáng. Đồng tác giả chính Haixu Wu, nghiên cứu sinh sau tiến sĩ tại MIT và nhà nghiên cứu tại CSAIL, cho biết: “Nếu mô hình của bạn hoạt động tốt trên các tiêu chuẩn công nghiệp, điều đó có nghĩa là nó có thể giải quyết các nhiệm vụ vật lý khó nhất. GeoPT đã tạo ra các mô phỏng có độ chân thực cao với hơn 100 triệu điểm lưới chỉ trong vài giây. Điều này có thể khiến công cụ trở nên cực kỳ hữu ích cho các kỹ sư muốn thử nghiệm các bản thiết kế phương tiện mà không cần thực hiện quá nhiều thí nghiệm vật lý.” Các nhà nghiên cứu bổ sung rằng hệ thống của họ chỉ là một bản xem trước về loại mô hình thế giới vật lý mà họ đang hướng tới. Nhóm nghiên cứu hy vọng sẽ mở rộng hệ thống của mình, huấn luyện trên nhiều hình dạng hơn và mô phỏng các hiện tượng vật lý phức tạp hơn. Ví dụ, một cách tiếp cận chuyên sâu hơn có thể giúp mô hình hóa các kiểu thời tiết, thử nghiệm các vật liệu khác nhau và tạo ra các video chân thực. Fei Sha, nhà khoa học nghiên cứu AI tại Meta, người không tham gia vào nghiên cứu, nhận định: “Sử dụng dữ liệu động lực học tổng hợp là một mô hình thú vị để truyền tải vật lý vào các mô hình nền tảng. Nó thách thức quan niệm truyền thống rằng vật lý và hình học nhất thiết phải gắn liền với tính toán, và người ta phải thu thập dữ liệu tốn kém và chuyên biệt. Thành công đã được chứng minh trong nhiều lĩnh vực ứng dụng khác nhau đưa chúng ta đến bước ngoặt quan trọng này: Chúng ta đã sẵn sàng xây dựng các mô hình nền tảng vật lý, ngay bây giờ và trong tương lai.”